validation - 如何检查文件是否为有效的 UTF-8？

Question

我正在处理一些应该是有效的 UTF-8 但不是的数据文件，这会导致解析器（不在我的控制之下）失败。我想添加一个预先验证 UTF-8 格式良好的数据的阶段，但我还没有找到一个实用程序来帮助做到这一点。

W3C 上有一个Web 服务似乎已经死了，我发现了一个仅限 Windows 的验证工具，它报告无效的 UTF-8 文件，但不报告要修复的行/字符。

我会很高兴有一个我可以放入并使用的工具（理想情况下是跨平台的），或者一个我可以作为数据加载过程的一部分的 ruby​​/perl 脚本。

Answer 1

您可以使用 GNU iconv：

$ iconv -f UTF-8 your_file -o /dev/null; echo $?

或者使用旧版本的 iconv，例如在 macOS 上：

$ iconv -f UTF-8 your_file > /dev/null; echo $?

如果文件可以成功转换，该命令将返回 0，否则返回 1。此外，它将打印出发生无效字节序列的字节偏移量。

编辑：不必指定输出编码，它将被假定为 UTF-8。

Answer 2

使用 python 和 str.encode|decode 函数。

>>> a="γεια"
>>> a
'\xce\xb3\xce\xb5\xce\xb9\xce\xb1'
>>> b='\xce\xb3\xce\xb5\xce\xb9\xff\xb1' # note second-to-last char changed
>>> print b.decode("utf_8")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/local/lib/python2.5/encodings/utf_8.py", line 16, in decode
    return codecs.utf_8_decode(input, errors, True)
UnicodeDecodeError: 'utf8' codec can't decode byte 0xff in position 6: unexpected code byte

抛出的异常在其 .args 属性中具有请求的信息。

>>> try: print b.decode("utf_8")
... except UnicodeDecodeError, exc: pass
...
>>> exc
UnicodeDecodeError('utf8', '\xce\xb3\xce\xb5\xce\xb9\xff\xb1', 6, 7, 'unexpected code byte')
>>> exc.args
('utf8', '\xce\xb3\xce\xb5\xce\xb9\xff\xb1', 6, 7, 'unexpected code byte')

Answer 3

您可以使用moreutils集合中的isutf8。

$ apt-get install moreutils
$ isutf8 your_file

在 shell 脚本中，使用--quiet开关并检查退出状态，对于有效的 utf-8 文件，退出状态为零。

Answer 4

gnu iconv库怎么样？使用 iconv() 函数：“输入中遇到无效的多字节序列。在这种情况下，它将 errno 设置为 EILSEQ 并返回 (size_t)(-1)。*inbuf 指向无效多字节序列的开头。 "

编辑：哦-我错过了您想要脚本语言的部分。但是对于命令行工作，iconv实用程序也应该为您验证。

Answer 5

您也可以使用recode，如果它尝试解码 UTF-8 并遇到无效字符，它将退出并出现错误。

if recode utf8/..UCS < "$FILE" >/dev/null 2>&1; then
    echo "Valid utf8 : $FILE"
else
    echo "NOT valid utf8: $FILE"
fi

这会尝试重新编码为通用字符集 (UCS)，这始终可以从有效的 UTF-8 进行。

Answer 6

这是检查文件是否为有效 UTF-8 的 bash 脚本：

#!/bin/bash

inputFile="./testFile.txt"

iconv -f UTF-8 "$inputFile" -o /dev/null

if [[ $? -eq 0 ]]
then
    echo "Valid UTF-8 file.";
else
    echo "Invalid UTF-8 file!";
fi

描述：

• --from-code,-f编码（从编码转换字符）
• --to-code,-t编码（将字符转换为编码，不必指定，假定为UTF-8。）
• --output, -o file (Specify output file 'instead of stdout')